선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 졸음운전 중 각성 상태와 졸음상태일 때 ECG 기반 생체신호를 분석하였다. 본 연구에서 개발한 difference operation 알고리즘을 통해 R-peak를 검출하고 계산한 R-R Interval(RRI)값을 이용하여 심박변위도(HRV)의 시간영역과 주파수영역 분석을 사용하여 각성상태와 졸음상태의 통계분석을 통해서 주요한 차이를 식별할 수 있었다.
제안 방법
- 본 연구에서 사용한 게임용 운전시뮬레이터를 사용하여 실제 주행 환경과 유사한 환경에서 실험하였다. Fig. 1의 (주) Logitech사의 Webcam C910과 Fig. 2의 드라이빙 시뮬레이터인 Control wheel G27을 사용하여 기어변동과 페달을 갖추어 현실감 높은 시뮬레이터를 제공하였다. 게임 환경에서 webcam장비로 관찰한 상태에서 2초 이상의 eye close가 분당 3회 이상시 졸음으로 판단하였다.
- 게임 환경에서 webcam장비로 관찰한 상태에서 2초 이상의 eye close가 분당 3회 이상시 졸음으로 판단하였다. 또 시스템은 주행 화면을 운전자에게 제공하여 운전자로 하여금 운전 중 졸음을 유발하기 위해서 단조로운 구간을 장시간 주행이 가능하도록 설정하였다. 피실험자의 생체신호 획득은 on-line 으로 (주)Bionet사의 BM5로 구성하여 획득하였으며, 생체신호 획득은 0.
- 생체신호의 분석을 위하여 심전도(electrocardiogram: ECG)의 주요 신호인 P, QRS, T 중 R peak의 자동 검출용 difference operation 알고리즘10)을 개발하였다. 또한 R-R interval를 이용하여 HRV의 주요 파라메타를 구하기 위하여 시간영역(time domain)과 주파수 영역(frequency domain)으로 해석하였다. 모의운전용 게임형 시뮬레이터 운전 환경에서 각성상태와 졸음 상태를 구분하여 주요 요소를 찾기 위하여 피 실험자들의 data를 이용한 통계적 유의성 실험을 실시하였다.
- 자동차운전에 미숙하지 않은 1년 이상의 피험자로 선정하여 운전용 게임을 하는 동안 각성과 졸음 상태에서 각각 실험하여 5분 이상의 ECG 신호를 획득하였다. 또한 게임 환경에서는 단조로운 구간을 위해 traffic 환경 0%로 설정하였으며, 운전자로 하여금 시속 60km로 주행하도록 지시하였다. 운전자의 피로감 누적을 위해 동일한 구간 3회 반복주행을 실시하였다.
- 또한 R-R interval를 이용하여 HRV의 주요 파라메타를 구하기 위하여 시간영역(time domain)과 주파수 영역(frequency domain)으로 해석하였다. 모의운전용 게임형 시뮬레이터 운전 환경에서 각성상태와 졸음 상태를 구분하여 주요 요소를 찾기 위하여 피 실험자들의 data를 이용한 통계적 유의성 실험을 실시하였다.
- 본 연구에서 HRV 분석은 시간영역과 주파수 영역 전체 파라메타를 이용하였다. 획득된 data는 SPSS Ver.
- 본 연구에서 사용한 게임용 운전시뮬레이터를 사용하여 실제 주행 환경과 유사한 환경에서 실험하였다. Fig.
- 본 연구에서는 모의운전용 시뮬레이터는 안정성, 저비용 및 제어가 쉬워서 데이터를 쉽게 모을 수 있는 장점을 가지고 있다. 생체신호의 분석을 위하여 심전도(electrocardiogram: ECG)의 주요 신호인 P, QRS, T 중 R peak의 자동 검출용 difference operation 알고리즘10)을 개발하였다. 또한 R-R interval를 이용하여 HRV의 주요 파라메타를 구하기 위하여 시간영역(time domain)과 주파수 영역(frequency domain)으로 해석하였다.
- 게임용 운전 시뮬레이터 환경에서 각성과 졸음 상태를 구분하여 데이터를 획득하였다. 실험환경에서 졸음을 유도하기 위해서 실험 전날 수면시간을 4시간 이하로 수면부족이 발생하도록 하여 피 실험자를 선정하였으며, 측정시간은 졸음에 영향을 받기 쉬운 시간대인 AM 10시에서 12까지, PM 15시에서 17시에 실험을 실시하였다. 실험에 영향을 줄 수 있는 무리한 운동이나, 흡연, 음주 등을 금하게 하였다.
- 또한 게임 환경에서는 단조로운 구간을 위해 traffic 환경 0%로 설정하였으며, 운전자로 하여금 시속 60km로 주행하도록 지시하였다. 운전자의 피로감 누적을 위해 동일한 구간 3회 반복주행을 실시하였다.
- 실험에 영향을 줄 수 있는 무리한 운동이나, 흡연, 음주 등을 금하게 하였다. 자동차운전에 미숙하지 않은 1년 이상의 피험자로 선정하여 운전용 게임을 하는 동안 각성과 졸음 상태에서 각각 실험하여 5분 이상의 ECG 신호를 획득하였다. 또한 게임 환경에서는 단조로운 구간을 위해 traffic 환경 0%로 설정하였으며, 운전자로 하여금 시속 60km로 주행하도록 지시하였다.
대상 데이터
- 5 평균 연령)은 임상적으로 정상인으로 판단된 대상으로 선정하였고, 실험 전 편안한 상태로 5분 이상 휴식을 취한다음 실험을 실시하였다. 게임용 운전 시뮬레이터 환경에서 각성과 졸음 상태를 구분하여 데이터를 획득하였다. 실험환경에서 졸음을 유도하기 위해서 실험 전날 수면시간을 4시간 이하로 수면부족이 발생하도록 하여 피 실험자를 선정하였으며, 측정시간은 졸음에 영향을 받기 쉬운 시간대인 AM 10시에서 12까지, PM 15시에서 17시에 실험을 실시하였다.
- 본 실험에 참가한 피험자 30명(23.5±2.5 평균 연령)은 임상적으로 정상인으로 판단된 대상으로 선정하였고, 실험 전 편안한 상태로 5분 이상 휴식을 취한다음 실험을 실시하였다.
- 또 시스템은 주행 화면을 운전자에게 제공하여 운전자로 하여금 운전 중 졸음을 유발하기 위해서 단조로운 구간을 장시간 주행이 가능하도록 설정하였다. 피실험자의 생체신호 획득은 on-line 으로 (주)Bionet사의 BM5로 구성하여 획득하였으며, 생체신호 획득은 0.5Hz- 40Hz 대역의 band pass filter와 60Hz의 notch filter와 함께 sampling rate를 75(Hz)로 설정하여 data를 획득 하였다. Fig.
데이터처리
- 본 연구에서는 졸음운전 중 각성 상태와 졸음상태일 때 ECG 기반 생체신호를 분석하였다. 본 연구에서 개발한 difference operation 알고리즘을 통해 R-peak를 검출하고 계산한 R-R Interval(RRI)값을 이용하여 심박변위도(HRV)의 시간영역과 주파수영역 분석을 사용하여 각성상태와 졸음상태의 통계분석을 통해서 주요한 차이를 식별할 수 있었다. 본 연구 결과는 졸음 및 각성 상태의 ECG(Electrocardiogram)생체신호 분석을 통한 각성상태 운전조건과 졸음시 운전사항에서 임상적인 단서를 찾아낼 수 있을 것으로 기대된다.
- 본 연구에서 HRV 분석은 시간영역과 주파수 영역 전체 파라메타를 이용하였다. 획득된 data는 SPSS Ver. 12.0을 이용하여 게임 환경에서 운전 중 각성상태와 졸음상태의 비교를 위해 정규성 검증 후 t-test를 수행했다.
이론/모형
- 5Hz- 40Hz 대역의 band pass filter와 60Hz의 notch filter와 함께 sampling rate를 75(Hz)로 설정하여 data를 획득 하였다. Fig. 3과 같이 심전도 신호측정을 위해서 가슴에 1회용 패치전극을 3곳에 부착하는 3 lead wire법을 이용하였다.
성능/효과
- Table 2에서는 30명의 피실험자를 HRV의 시간영역과 주파수영역 21개의 주요 파라메타를 비교한 결과 들이며, 통계비교(p<0.05) 결과 시간영역에서 STD HR (0.029), NN50 (0.044) 및 주파수영역에서는 VLF power(% 0.018)로 통계적으로 중요한 요소로 분석되었다.
- 본 연구에서 개발한 알고리즘을 통해서 ECG R파의 첨두치 위치를 정확하게 찾기 위해서는 difference, filter, thresholding 및 tuning과정을 거쳐서 찾을 수 있었다.
- 018)로 통계적으로 중요한 요소로 분석되었다. 본 연구에서 운전 중 졸음영향으로 시간영역의 R-R interval 간격이 빨라지면서 심박수가 늦어지는 주요한 차이를 확인할 수 있었고, R-R 간격이 50ms보다 긴 차이를 보이는 연속적인 NN 간격수가 증가함을 알 수 있었다. 또 VLF power(%)의 증가는 호흡 및 저산소혈증에 영향을 미친다고 볼 수 있다.
- 본 연구에서는 모의운전용 시뮬레이터는 안정성, 저비용 및 제어가 쉬워서 데이터를 쉽게 모을 수 있는 장점을 가지고 있다. 생체신호의 분석을 위하여 심전도(electrocardiogram: ECG)의 주요 신호인 P, QRS, T 중 R peak의 자동 검출용 difference operation 알고리즘10)을 개발하였다.
- 비교결과 각성상태의 구간 평균은 790.55 (±125.69)이며, 졸음운전 시 R-R interval 평균 821.18(±105.82)로 3.874%로 조금 증가함을 알 수 있었다.
후속연구
- 본 연구 결과는 졸음 및 각성 상태의 ECG(Electrocardiogram)생체신호 분석을 통한 각성상태 운전조건과 졸음시 운전사항에서 임상적인 단서를 찾아낼 수 있을 것으로 기대된다. 또 자동 검출 알고리즘을 기반으로 한 졸음운전 예방 센서 개발에 기여할 것으로 예상된다. 향후 연구에서는 성별, 나이, 사지가 불편한 피실험자 등 많은 ECG data mart의 구축이 이루어질 것을 기대한다.
- 본 연구에서 개발한 difference operation 알고리즘을 통해 R-peak를 검출하고 계산한 R-R Interval(RRI)값을 이용하여 심박변위도(HRV)의 시간영역과 주파수영역 분석을 사용하여 각성상태와 졸음상태의 통계분석을 통해서 주요한 차이를 식별할 수 있었다. 본 연구 결과는 졸음 및 각성 상태의 ECG(Electrocardiogram)생체신호 분석을 통한 각성상태 운전조건과 졸음시 운전사항에서 임상적인 단서를 찾아낼 수 있을 것으로 기대된다. 또 자동 검출 알고리즘을 기반으로 한 졸음운전 예방 센서 개발에 기여할 것으로 예상된다.
- 또 자동 검출 알고리즘을 기반으로 한 졸음운전 예방 센서 개발에 기여할 것으로 예상된다. 향후 연구에서는 성별, 나이, 사지가 불편한 피실험자 등 많은 ECG data mart의 구축이 이루어질 것을 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.